Question

Scipy版本0.10.0

请考虑以下事项：

>>> import math
>>> from scipy.optimize import fsolve
>>> import numpy as np
>>> def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

>>> x0 = fsolve(p, np.arange(33.86, 50.86, 1.0), args=(1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)
Warning (from warnings module):
  File "C:\Python27\lib\site-packages\scipy\optimize\minpack.py", line 152
    warnings.warn(msg, RuntimeWarning)
RuntimeWarning: The iteration is not making good progress, as measured by the 
   improvement from the last ten iterations.
>>> print x0
[ -4.87169392e+05  -4.87168392e+05  -4.87167392e+05  -4.87166392e+05
  -4.87165392e+05  -4.87164392e+05  -4.87163392e+05  -4.87162392e+05
   4.24200000e+01   4.24200000e+01   4.24200000e+01   4.24200000e+01
   4.24200000e+01   4.24200000e+01   4.24200000e+01   4.24200000e+01
   4.24200000e+01]

第一个问题是如何抑制正在返回的警告信息？

第二，为什么可能首先产生这个错误（除了显而易见的，迭代没有取得良好进展:)）？

最后，这个函数的根是42.42（找到了）。为什么fzero也会返回-4.87e+05？

Answer 1

执行此操作可能会让您错过重要的内容，但是，要使警告消息静音，您可以使用warnings.filterwarnings：

import warnings
warnings.filterwarnings('ignore', 'The iteration is not making good progress')
import math
from scipy.optimize import fsolve
import numpy as np
def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

x0 = fsolve(p, np.arange(33.86, 50.86, 1.0),
            args=(1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)
print(x0)

事实上，p(x0, 1.42, 41.0, -1)并非接近于零，因此fsolve正确地警告您找不到解决方案。

PS。当你说

fsolve(p, np.arange(33.86, 50.86, 1.0),...)

您告诉fsolve您对s的初始猜测是numpy数组np.arange(33.86, 50.86, 1.0)。整个数组立即传入p。

请注意，np.arange(33.86, 50.86, 1.0)的长度为17，x0的长度为fsolve。这是因为p认为它正在寻找一个长度为17的数组来解决s。

我想也许你认为fsolve(p, 41.0, args = (1.42, 41.0, -1.0), xtol=1e-06, maxfev=500)是浮动的？在这种情况下，您只能为初始猜测传递一个浮点值：

import math
import scipy.optimize as optimize
import numpy as np

def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0

args = (1.42, 41.0, -1.0)
result = optimize.fsolve(p, 41.0, args=args, xtol=1e-06, maxfev=500)
print(result)

例如，

[ 42.42]

产量

fsolve

如果初始猜测是> = 41.0（k的值），则

np.maximum在根上进行归零是一项不错的工作，但是当初始猜测为＆lt; 41.0。

我的猜测是，s因fsolve的许多猜测没有改变。因此s不知道是增加还是减少s并且容易猜错，并使{{1}}离根越来越远。

Answer 2

import math
import scipy.optimize as optimize
import numpy as np

def p(s, l, k, q):
    p = q * np.maximum(s - k, 0.0)
    return (p + math.copysign(l, -q)) * math.fabs(q) * 100.0


result = optimize.fsolve(p, 41.0, args=1,2,3, xtol=1e-06, maxfev=500)
print(result)

result = optimize.fsolve(p, 41.0, args=2,3,4, xtol=1e-06, maxfev=500)
print(result)

Python scipy.optimize：使用fsolve进行多次初步猜测

2 个答案: